«Таити, Таити! Не были мы ни в какой Таити! Нас и тут неплохо кормят.»
[lang: ru, confidence: 1.00]

Это не цитата из мультика. Это вывод моего опенсорс-тулкита, в который я скормил войс на 4 секунды.

Зачем я это сделал

Я пилю для себя персонального AI-агента — OpenClaw. Он ходит в Gmail, в шелл, в календарь, отвечает в телеге. И в какой-то момент я понял, что хочу кидать ему голосовые, а не печатать простыни на телефоне пальцем.

Whisper, конечно, работает. Но:

• Python в проде — это всегда праздник зависимостей
• openai-whisper на моём M3 Pro транскрибирует минутный войс секунд 20
• faster-whisper получше, но всё равно тащит CUDA-stack и ffmpeg
• Хочется локально, без отправки голоса в OpenAI

А потом NVIDIA выкатила модель Parakeet TDT 0.6B — меньше Whisper, быстрее, и по бенчмаркам точнее на европейских языках, включая русский. Parakeet по-английски — попугайчик. Ну и дальше, сами понимаете: если попугай, то Кеша. Название придумалось само, на второй строчке README.

Что получилось

Kesha Voice Kit — CLI-тулза и одновременно плагин для OpenClaw. Кидаешь файл — получаешь транскрипт.

curl -fsSL https://bun.sh/install | bash
bun install -g @drakulavich/kesha-voice-kit
kesha install          # скачает движок и модели
kesha voice.ogg        # транскрипт в stdout

Под капотом — Rust-бинарь на 20 мегабайт. Без Python. Без ffmpeg. Без native-аддонов для Node. Просто один исполняемый файл.

• На Apple Silicon гоняет через CoreML и Neural Engine (спасибо ребятам из FluidAudio)
• На Linux/Windows — через ONNX Runtime
• Аудио декодит Symphonia, поэтому ogg/opus/mp3/m4a/flac/wav — всё из коробки, без ffmpeg в системе

Циферки

На M3 Pro против openai-whisper с large-v3-turbo:

• ~15× быстрее на Apple Silicon
• ~2.5× быстрее на CPU (где работает через ONNX)

Это при сопоставимом качестве транскрипции. В репе есть BENCHMARK.md с прогонами по русским войсам из реальной переписки и английским файлам — с цифрами, не на словах.

25 языков для распознавания речи (включая русский и украинский), 107 языков для детекции языка по аудио. Плюс определение языка текста через системный NLLanguageRecognizer на макоси — бесплатно и мгновенно.

OpenClaw-интеграция — ради чего всё и затевалось

Одна команда — и у агента появляются уши:

openclaw plugins install @drakulavich/kesha-voice-kit
openclaw config set tools.media.audio.models \
  '[{"type":"cli","command":"kesha","args":["--format","transcript","{{MediaPath}}"],"timeoutSeconds":15}]'

Дальше: прилетает войс в Telegram/WhatsApp/Slack → локально транскрибируется → агент получает текст + язык + confidence и уже думает что с этим делать. Ни один килобайт голоса не уходит наружу.

TTS (превью)

В M1-релизе добавил и обратную сторону — чтобы Кеша умел говорить, а не только слушать. Под капотом Kokoro-82M:

brew install espeak-ng
kesha install --tts
kesha say "Hello, world" > reply.wav

Пока только английский. Русский и авто-роутинг языков — в M3 на роадмапе. Если кому интересно взяться — issue ждёт.

Что дальше

• Русский TTS (очевидный некст)
• OGG/Opus и MP3 на выходе у kesha say
• Статик-линковка espeak-ng, чтобы убрать последнюю системную зависимость
• Нормальный стриминг для длинных файлов

Позырить / заюзать / поругать

• 🐙 Гитхаб: github.com/drakulavich/kesha-voice-kit
• 📦 npm: @drakulavich/kesha-voice-kit
• 📜 MIT

Буду рад звёздочкам, issues и PR-ам. Особенно интересно услышать от тех, кто пилит своих AI-агентов и упирался в ту же стену с Whisper — зашло/не зашло, что не хватает, где сломалось.

Свободу попугаям! 🦜